大地测量与地球动力学

	最大误差/mm	平均误差/mm	RMSE/mm
PS-InSAR	8.9	5.2	5.7
DS-InSAR	5.6	2.6	3.0

	最大误差/mm	平均误差/mm	RMSE/mm
PS-InSAR	8.9	5.2	5.7
DS-InSAR	5.6	2.6	3.0

基于DS-InSAR的南京江北区域地面沉降监测与分析

宋秋月 ¹ , 范洪冬 ¹^,* , 朱邦彦 ² , 张建阳 ¹

大地测量与地球动力学 | 地壳运动 2025,45(2): 184-189

收起

大地测量与地球动力学 |地壳运动 2025 , 45 (2) : 184 -189

基于DS-InSAR的南京江北区域地面沉降监测与分析

全屏

[Author(id=1322959378009170505, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322959374397874737, orderNo=0, firstName=null, middleName=null, lastName=null, nameCn=null, orcid=null, stid=null, country=null, authorPic=null, dead=0, email=cumtsqy2024@163.com, emailSecond=null, emailThird=null, correspondingAuthor=0, authorType=1, ext={EN=AuthorExt(id=1322959378080473675, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322959374397874737, authorId=1322959378009170505, language=EN, stringName=Qiuyue SONG, firstName=Qiuyue, middleName=null, lastName=SONG, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=¹, address=1 Key Laboratory of Land Environment and Disaster Monitoring, MNR, China University of Mining and Technology, 1 Daxue Road, Xuzhou 221116, China, bio={"content":"

SONG Qiuyue, postgraduate, majors in InSAR deformation monitoring, E-mail: cumtsqy2024@163.com

"}, bioImg=null, bioContent=

SONG Qiuyue, postgraduate, majors in InSAR deformation monitoring, E-mail: cumtsqy2024@163.com

, aboutCorrespAuthor=null), CN=AuthorExt(id=1322959378147582540, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322959374397874737, authorId=1322959378009170505, language=CN, stringName=宋秋月, firstName=null, middleName=null, lastName=null, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=¹, address=1 中国矿业大学自然资源部国土环境与灾害监测重点实验室, 江苏省徐州市大学路1号, 221116, bio={"content":"

宋秋月, 硕士生, 主要研究方向为InSAR变形监测, E-mail: cumtsqy2024@163.com

"}, bioImg=null, bioContent=

宋秋月, 硕士生, 主要研究方向为InSAR变形监测, E-mail: cumtsqy2024@163.com

, aboutCorrespAuthor=null)}, companyList=[AuthorCompany(id=1322959376327254594, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322959374397874737, xref=null, ext=[AuthorCompanyExt(id=1322959376335643203, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322959374397874737, companyId=1322959376327254594, language=EN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=1 Key Laboratory of Land Environment and Disaster Monitoring, MNR, China University of Mining and Technology, 1 Daxue Road, Xuzhou 221116, China), AuthorCompanyExt(id=1322959376344031812, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322959374397874737, companyId=1322959376327254594, language=CN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=1 中国矿业大学自然资源部国土环境与灾害监测重点实验室, 江苏省徐州市大学路1号, 221116)])]), Author(id=1322959378210497102, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322959374397874737, orderNo=1, firstName=null, middleName=null, lastName=null, nameCn=null, orcid=null, stid=null, country=null, authorPic=null, dead=0, email=cumtfanhd@163.com, emailSecond=null, emailThird=null, correspondingAuthor=1, authorType=1, ext={EN=AuthorExt(id=1322959378290188880, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322959374397874737, authorId=1322959378210497102, language=EN, stringName=Hongdong FAN, firstName=Hongdong, middleName=null, lastName=FAN, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=¹^,*, address=1 Key Laboratory of Land Environment and Disaster Monitoring, MNR, China University of Mining and Technology, 1 Daxue Road, Xuzhou 221116, China, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null), CN=AuthorExt(id=1322959378369880657, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322959374397874737, authorId=1322959378210497102, language=CN, stringName=范洪冬, firstName=null, middleName=null, lastName=null, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=¹^,*, address=1 中国矿业大学自然资源部国土环境与灾害监测重点实验室, 江苏省徐州市大学路1号, 221116, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null)}, companyList=[AuthorCompany(id=1322959376327254594, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322959374397874737, xref=null, ext=[AuthorCompanyExt(id=1322959376335643203, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322959374397874737, companyId=1322959376327254594, language=EN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=1 Key Laboratory of Land Environment and Disaster Monitoring, MNR, China University of Mining and Technology, 1 Daxue Road, Xuzhou 221116, China), AuthorCompanyExt(id=1322959376344031812, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322959374397874737, companyId=1322959376327254594, language=CN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=1 中国矿业大学自然资源部国土环境与灾害监测重点实验室, 江苏省徐州市大学路1号, 221116)])]), Author(id=1322959378457961043, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322959374397874737, orderNo=2, firstName=null, middleName=null, lastName=null, nameCn=null, orcid=null, stid=null, country=null, authorPic=null, dead=0, email=null, emailSecond=null, emailThird=null, correspondingAuthor=0, authorType=1, ext={EN=AuthorExt(id=1322959378546041429, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322959374397874737, authorId=1322959378457961043, language=EN, stringName=Bangyan ZHU, firstName=Bangyan, middleName=null, lastName=ZHU, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=², address=2 Nanjing Institute of Surveying, Mapping and Geotechnical Investigation Co Ltd, 88 Chuangyi Road, Nanjing 210019, China, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null), CN=AuthorExt(id=1322959378621538902, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322959374397874737, authorId=1322959378457961043, language=CN, stringName=朱邦彦, firstName=null, middleName=null, lastName=null, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=², address=2 南京市测绘勘察研究院股份有限公司, 南京市创意路88号, 210019, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null)}, companyList=[AuthorCompany(id=1322959377916895813, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322959374397874737, xref=null, ext=[AuthorCompanyExt(id=1322959377925284422, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322959374397874737, companyId=1322959377916895813, language=EN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=2 Nanjing Institute of Surveying, Mapping and Geotechnical Investigation Co Ltd, 88 Chuangyi Road, Nanjing 210019, China), AuthorCompanyExt(id=1322959377946255943, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322959374397874737, companyId=1322959377916895813, language=CN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=2 南京市测绘勘察研究院股份有限公司, 南京市创意路88号, 210019)])]), Author(id=1322959378709619288, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322959374397874737, orderNo=3, firstName=null, middleName=null, lastName=null, nameCn=null, orcid=null, stid=null, country=null, authorPic=null, dead=0, email=null, emailSecond=null, emailThird=null, correspondingAuthor=0, authorType=1, ext={EN=AuthorExt(id=1322959378801893978, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322959374397874737, authorId=1322959378709619288, language=EN, stringName=Jianyang ZHANG, firstName=Jianyang, middleName=null, lastName=ZHANG, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=¹, address=1 Key Laboratory of Land Environment and Disaster Monitoring, MNR, China University of Mining and Technology, 1 Daxue Road, Xuzhou 221116, China, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null), CN=AuthorExt(id=1322959378877391451, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322959374397874737, authorId=1322959378709619288, language=CN, stringName=张建阳, firstName=null, middleName=null, lastName=null, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=¹, address=1 中国矿业大学自然资源部国土环境与灾害监测重点实验室, 江苏省徐州市大学路1号, 221116, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null)}, companyList=[AuthorCompany(id=1322959376327254594, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322959374397874737, xref=null, ext=[AuthorCompanyExt(id=1322959376335643203, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322959374397874737, companyId=1322959376327254594, language=EN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=1 Key Laboratory of Land Environment and Disaster Monitoring, MNR, China University of Mining and Technology, 1 Daxue Road, Xuzhou 221116, China), AuthorCompanyExt(id=1322959376344031812, tenantId=1146029695717560320, journalId=1281212831689347082, articleId=1322959374397874737, companyId=1322959376327254594, language=CN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=1 中国矿业大学自然资源部国土环境与灾害监测重点实验室, 江苏省徐州市大学路1号, 221116)])])]

宋秋月¹, 范洪冬¹^,*, 朱邦彦², 张建阳¹

作者信息

1 中国矿业大学自然资源部国土环境与灾害监测重点实验室, 江苏省徐州市大学路1号, 221116

2 南京市测绘勘察研究院股份有限公司, 南京市创意路88号, 210019

通讯作者:

范洪冬, 博士, 教授, 博士生导师, 主要研究方向为InSAR变形监测, E-mail: cumtfanhd@163.com

FAN Hongdong, PhD, professor, PhD supervisor, majors in InSAR deformation monitoring, E-mail: cumtfanhd@163.com

作者简介:

宋秋月, 硕士生, 主要研究方向为InSAR变形监测, E-mail: cumtsqy2024@163.com

Monitoring and Analysis of Land Subsidence in Jiangbei Region of Nanjing Based on DS-InSAR

Qiuyue SONG¹, Hongdong FAN¹^,*, Bangyan ZHU², Jianyang ZHANG¹

Affiliations

1 Key Laboratory of Land Environment and Disaster Monitoring, MNR, China University of Mining and Technology, 1 Daxue Road, Xuzhou 221116, China

2 Nanjing Institute of Surveying, Mapping and Geotechnical Investigation Co Ltd, 88 Chuangyi Road, Nanjing 210019, China

SONG Qiuyue, postgraduate, majors in InSAR deformation monitoring, E-mail: cumtsqy2024@163.com

出版时间: 2025-02-15 doi: 10.14075/j.jgg.2024.03.103

文章导航

摘要

收起

提出一种基于分布式目标InSAR(DS-InSAR)的地表形变监测方法, 该方法采用HTCI算法进行同质像元识别, 通过特征值分解方法实现相位优化, 根据时空相干性确定分布式目标(DS), 最后建立DS相位与形变间的关系模型来解算时序地表形变。实验利用50景Sentinel-1A影像获取2021-10—2023-10南京江北区域地表形变时空分布信息, 结果表明: 1) DS-InSAR与PS-InSAR结果的相关系数为0.731, 点位密度提高6.22倍, DS-InSAR可更加完整地反映研究区时空地表形变。2) DS-InSAR结果与水准实测数据整体吻合较好, 最大误差为5.6 mm, 平均误差为2.6 mm, 均方根误差(RMSE)为3.0 mm。3)地质构造、城市建设以及降雨等是引起地面沉降的主要因素。

关键词

南京江北区域 / InSAR / 分布式目标 / 地面沉降监测

Abstract

收起

We propose a method for ground deformation monitoring based on distributed scatterer InSAR(DS-InSAR). The method employs the HTCI algorithm for homogenous pixel identification, utilizes eigenvalue decomposition for phase optimization, determines distributed scatterer(DS) based on spatiotemporal coherence, and establishes a relationship model between DS phase and deformation for time series surface deformation inversion. We use 50 scenes of Sentinel-1A images to obtain spatiotemporal distribution information of ground deformation in Jiangbei region of Nanjing from October 2021 to October 2023. The results show that: 1) The correlation coefficient between DS-InSAR results and PS-InSAR results is 0.731, and the point density increases by 6.22 times. DS-InSAR can more completely reflect the spatiotemporal surface deformation of the study area. 2) DS-InSAR is in good agreement with the measured leveling data, with a maximum error of 5.6 mm, an average error of 2.6 mm, and a root mean square error(RMSE) of 3.0 mm. 3) The geological structures, urban development, and rainfall are the main influencing factors causing ground subsidence.

Key words

Jiangbei region of Nanjing / InSAR / distributed scatterer / land subsidence monitoring

引用本文

宋秋月, 范洪冬, 朱邦彦, 张建阳. 基于DS-InSAR的南京江北区域地面沉降监测与分析. 大地测量与地球动力学, 2025 , 45 (2) : 184 -189 . DOI: 10.14075/j.jgg.2024.03.103

Qiuyue SONG, Hongdong FAN, Bangyan ZHU, Jianyang ZHANG. Monitoring and Analysis of Land Subsidence in Jiangbei Region of Nanjing Based on DS-InSAR[J]. Journal of Geodesy and Geodynamics, 2025 , 45 (2) : 184 -189 . DOI: 10.14075/j.jgg.2024.03.103

正文

收起

随着卫星遥感技术的迅速发展，差分合成孔径雷达干涉测量(differential interferometric synthetic aperture radar, D-InSAR)技术在测绘领域取得显著进展^[1-2]，但该技术存在时空失相关、大气相位延迟等问题，国内外学者利用多时相分析雷达图像获得高精度地表形变^[3]。永久散射体干涉测量(persistent scatterers InSAR, PS-InSAR)和短基线集干涉测量(small baseline subset, SBAS)等^[4]经典时序InSAR技术已被广泛应用于城市地面沉降监测^[5]，许多学者基于这2种技术对南京市地面沉降情况进行了研究与分析^[6-7]。然而，南京江北区域位于长江漫滩区，植被茂盛，导致PS-InSAR和SBAS技术选点密度不高，难以获取详细的沉降信息。

为克服经典时序InSAR技术在低相干区域的应用限制，Ferretti等^[8]提出SqueeSAR技术，将PS与DS(分布式目标)联合解算来获取更多的地表形变监测点位。与经典时序InSAR技术相比，DS-InSAR技术引入同质点识别^[9]和相位优化^[10]2个关键步骤，使经典时序InSAR技术在相干点选取上数量不足和空间分布上不均匀的问题得到有效改善。DS-InSAR技术的高效性(特别是在低相干性区域)，能显著增加地表形变监测点的空间分布密度，提高形变监测精度。

为提高低相干性区域的测点密度，本文利用DS-InSAR技术获取南京江北区域2021-10—2023-10的地表形变，通过与PS-InSAR技术和水准数据进行对比验证其可靠性，并根据该区域地质条件、人类活动以及沉降区分布情况，分析南京江北区域地面沉降的影响因素。

1 研究区及数据概况

收起

1.1 研究区概况

南京江北区域位于长江漫滩地区，漫滩土层呈现明显的二元相结构，上部主要为黏性土，包括软土和硬土，下部主要由砂砾组成，这种土层容易发生沉降，尤其在受到堆载作用后。近年来，南京市地面沉降问题主要由地铁建设和地下空间开发引起，而研究区内有2条正在建设的地铁线路。研究区地理位置如图1所示。

1.2 实验数据

本文选取覆盖南京江北区域的50景Sentinel-1A升轨影像，工作模式为干涉宽幅(IW)模式，极化方式为VV极化，其距离向像元尺寸为2.33 m，方位向像元尺寸为13.98 m。SAR影像时间跨度为2021-10-09—2023-10-11。本文选择30 m分辨率的哥白尼数字高程模型(Copernicus DEM)作为外部数字高程模型(DEM)数据来去除地形相位。

2 DS-InSAR方法原理

收起

2.1 HTCI同质点识别

识别DS点需要通过统计检验对候选点进行筛选。常用的统计检验方法包括KS检验、BWS检验^[11]以及FaSHPS检验^[10]等。本文使用基于FaSHPS检验方法改进的HTCI(homogenous test confidence interval)检验方法^[12]进行同质像元识别。

假设存在N景SAR影像，其强度序列服从指数分布：

(1)

$f(I)=\frac{1}{\boldsymbol{\sigma}^2} \mathrm{e}^{-\frac{I}{\sigma^2}}, I \geqslant 0$

式中，

$\boldsymbol{\sigma}=\left[\hat{\sigma}_1^2, \hat{\sigma}_2^2, \cdots, \hat{\sigma}_N^2\right]^{\mathrm{T}}$

服从伽马分布，即σ~G(a, b)，其中a=L，b= σ ²/L，L为多视。由中心极限定理可知，所有样本的均值都服从N(σ ², σ ⁴/(NL))的正态分布，则的置信区间为：

(2)

$\begin{gathered}P\left\{\boldsymbol{\sigma}^2-z_{\alpha / 2} \boldsymbol{\sigma}^2 / \sqrt{N L}<\bar{\sigma}<\boldsymbol{\sigma}^2+\right. \\\left.z_{\alpha / 2} \boldsymbol{\sigma}^2 / \sqrt{N L}\right\}=1-\alpha\end{gathered}$

式中，z_α/2为α/2标准正态概率密度函数的百分比。根据式(2)可知，位于置信区间范围内的窗口内样本均值所对应的所有相邻像元，均可以被视为参考像元的同质像元。因此，对于相邻像元而言，σ²数值已知，并且可以用参考像元的似然值

$\hat{\sigma}^2$

代替。

对于中小样本SAR数据而言，其真实分布无法满足高斯假设，且置信区间不对称。由σ~G(a, b)可得Nσ~G(a, b)，令Y=Nσ/b，则Y~G(Na, 1)，使用g_{α; Nα}表示已知参数Na的标准伽马分布的a百分位数，可得：

(3)

$\left.P \mathrm{~g}_{\alpha / 2 ; \mathit{N} \alpha}<Y2\mathrm{g}_{1-\alpha / 2 ; \mathit{N} \alpha}\right\}=1-\alpha$

对式(3)进行简单变换后可得：

(4)

$\begin{gathered}P\left\{\mathrm{~g}_{\alpha / 2 ; N L} \boldsymbol{\sigma}^2 /(N L)<\bar{\sigma}<\mathrm{g}_{1-\alpha / 2 ; N L} \boldsymbol{\sigma}^2 /\right. \\(N L)\}=1-\alpha\end{gathered}$

在样本数量较少的情况下，式(4)比式(2)更具优势。HTCI算法利用像元强度均值和最小均方误差等指标来选取同质像元，可显著提高算法的稳健性和像元选取的精确性。

2.2 特征值分解相位优化

相位估计方法是根据相位一致性原则提出的。影像干涉过程中干涉相位难以保持一致，由于受随机噪声、地形变化和大气延迟等诸多因素的影响，在完成分布式目标选择之后，为了提高去相干效果，需要优化相位值。考虑到基于特征分解的相位估计方法形式简单，计算速度较快，本文选择该方法进行相位优化。

假设在同质区域Ω内有N_P个相似散射特性的相近像素，其相干矩阵 T为：

(5)

$\boldsymbol{T}=E\left[\boldsymbol{y} \boldsymbol{y}^{\mathrm{H}}\right] \approx \frac{1}{N_P} \sum\limits_{y=\Omega} \boldsymbol{y} \boldsymbol{y}^{\mathrm{H}}$

式中，y=[y₁, y₂, …, y_N]表示同质点在N景SAR影像上归一化处理所得的复数向量，E[|y_i|²]=1，(·)^H表示共轭转置。

相干矩阵 T也是半正定的Hermitian矩阵，对其进行特征值分解：

(6)

$\boldsymbol{T}=\boldsymbol{U} \boldsymbol{\Lambda} \boldsymbol{U}^{-1}=\boldsymbol{U} \boldsymbol{\Lambda} \boldsymbol{U}^{\mathrm{T}}=\sum\limits_{i=1}^N \lambda_i \boldsymbol{\mu}_i \boldsymbol{\mu}_i^{\mathrm{H}}$

式中，Λ=diag(λ₁, λ₂, …, λ_N)表示非负实数的特征值，U=diag(μ₁, μ₂, …, μ_N)表示与不同特征值相对应的正交特征向量，λ_i值越大，相应的特征向量就被认为是最优估计，而其他的则被看作是噪声。

(7)

$\begin{aligned}& \boldsymbol{T}=\boldsymbol{T}_{\text {signal }}+\boldsymbol{T}_{\text {noise }}= \\& \lambda_1 \boldsymbol{\mu}_1 \boldsymbol{\mu}_1^{\mathrm{H}}+\sum\limits_{i=2}^N \lambda_i \boldsymbol{\mu}_i \boldsymbol{\mu}_i^{\mathrm{H}}\end{aligned}$

式中，T_signal表示主导散射体，T_noise表示去相干噪声。由于最大特征值相较其他特征值更显著，T_signal在整个相干矩阵中起主导作用，通过提取主导散射机制的相位成分来优化相位。

3 实验结果与分析

收起

3.1 实验结果

本文分别采用PS-InSAR和DS-InSAR技术获取南京江北地区时序地面沉降信息，结果如图2所示。从图中可以看出：1)PS-InSAR技术成功选取到60 763个监测点，最大沉降速率达到-83 mm/a；而DS-InSAR技术成功选取到377 866个监测点，最大沉降速率达到-86 mm/a。DS-InSAR技术选取的监测点数量是PS-InSAR技术的6.22倍，地面监测点的空间分布密度明显提升。2)在监测时段内，南京江北区域地面沉降严重，2种技术的监测结果均存在1个聚集且明显的沉降区域，两者形变结果具有良好的一致性。

3.2 DS-InSAR可靠性分析

3.2.1 监测结果交叉验证

本文通过对比PS-InSAR和DS-InSAR技术的年均沉降速率来验证DS-InSAR监测结果的可靠性。将PS-InSAR监测点作为参考，得到半径10 m内距离最近的DS点，并将其视为同名观测点，成功获得15 569个PS-DS同名点，采用Pearson相关性分析方法探讨两者沉降速率之间的相关性，并计算点位沉降速率的差异(图3)。

由图3(a)可知，两者同名点沉降速率的Pearson相关系数为0.731，表明DS-InSAR与PS-InSAR技术监测结果之间具有较好的相关性。从图3(b)可以看出，两者沉降速率差异较小，且误差值小于5 mm/a的同名点数量占总数的96.49%。表明DS-InSAR技术在保持监测精度的同时，能够显著提高研究区监测点密度，可以较好地反映沉降区的边界和内部特征。

3.2.2 InSAR与水准数据对比分析

为定量评估DS-InSAR监测结果的精度，利用研究区内8个水准点对监测结果进行验证，水准点位置如图1所示。考虑到水准点与InSAR监测点的位置无法完全重合，因此选取水准点位30 m范围内InSAR监测点的形变均值进行对比(图4)。

由图4可知，2种技术的监测结果与水准数据的形变趋势总体上保持一致，精度可达mm级。与DS-InSAR结果相比，PS-InSAR技术获取的形变结果在该区域与水准数据的偏差更大，原因可能为其点位密度较小，多数水准点在30 m范围内仅有1个PS点，且与水准点距离较远。为了更直观地展示2种时序InSAR监测结果与水准实测结果的差异，引入最大误差、平均误差和均方根误差(RMSE)3个指标对监测结果进行精度评价。由表1可知，PS-InSAR和DS-InSAR监测结果与水准实测结果的最大误差均在10 mm以内，整体精度较高。通过对最大误差、平均误差、RMSE进行比较可知，PS-InSAR监测结果精度低于DS-InSAR。综合来看，DS-InSAR技术的监测结果与水准数据吻合更好，可靠性更高。

3.3 典型测点结果分析

为了更直观地了解地面沉降结果，在沉降明显的区域选取4个点，分析其形变特征(图5)，各测点的时序累积形变量如图6所示。由图可知，在监测时段内各测点的时序沉降过程相似，整体呈递减趋势，且沉降曲线变化都具有先缓后陡的特点。

A₁点位于地铁11号线七里河西站至七里河东站之间，最大累积沉降量达到-169.8 mm。该测点在2021-10—2022-01沉降变化稍快，2022-02—12沉降变化缓慢，2023-01沉降变化开始加快，一直持续到监测时间结束。根据南京市交通运输局官网资料可知，截至2023-01底，南京地铁11号线已有16座车站开工，其中12座车站已完成主体结构，包括A₁点所在的车站位置。地下工程在施工时都会造成地层损失，当周围土壤受到干扰或失去其原有的平衡时，土壤和地表可能会出现移动和形变。地表沉降具有时间效应，工作面推进时间越长，施工时间越长，地表沉降量也越大。截至2023-07底，南京地铁11号线仍在建造中。由此可知，地铁建设地下施工是引起该区域持续沉降的主要原因。

A₂点位于地铁4号线定山大街站至石佛寺站之间，在监测期间最大累积沉降量达到-125.4 mm，沉降变化呈现“缓-急-缓”的特征。截至2023-07底，A₂点所在车站位置仍未完工。与A₁区域类似，地铁建设地下施工也是引起A₂区域地面沉降的主要原因。此外，A₂区域还位于驾校训练场和驾校考场附近，车辆众多、人类活动频繁也是引起该区地面沉降不可忽视的因素。

A₃点位于浦口区鼎泰家园小区，该点在2021-10—2022-01和2022-10—2023-01这2个时段沉降变化较快，并且都是在大降雨之后。研究区位于长江漫滩区，上部以黏性土为主，下部以砂砾为主，土质状况较差，强度低、压缩性高。这2个沉降时段均在大降雨之后，降雨相对变少，地下水位下降，导致地面沉降。随着后续持续的降水，会使该区地下水位上升，地表吸水膨胀使得地面沉降趋于稳定。

A₄点位于长江沿岸浦口港区，周围是生态绿地。监测期间地面处于持续沉降状态，最大累积沉降量达到-96.6 mm。一方面由于该区域濒临长江，位于长江漫滩区，土质状况较差，容易受到降雨影响，降雨会冲刷长江沿岸坝体，导致地表土质松动；另一方面因为该区域为煤炭转运口岸，来往货船会对松动的土层进行压实，造成显著的区域性沉降。

4 南京江北区域地面沉降影响因素分析

收起

1) 地质构造。南京段长江沿岸为漫滩区，地质环境复杂，第四系地层发育，有软土、砂砾、淤泥等，可将其归为漫滩软土地区，地质结构松散、压缩性高、强度低、灵敏度高。南京江北区域位于长江漫滩软土地带，其天然含水率相对较高，普遍高于液限值。土壤呈饱和状态，饱和度接近1，属于流塑状态，具有显著的流变性。压缩系数均值超过0.5，说明土壤属于高压缩土，且受堆载作用影响会发生明显沉降。在完成主固结沉降后，仍有可能出现相当大的次固结沉降。土壤具有较高的灵敏度，易受强震作用发生震陷。研究区的沉降明显区均靠近长江沿岸附近，尤其是A₃和A₄点靠近河岸和江岸，长期受到河水冲击的影响导致岸底积聚大量沉积物，这是引起该区沉降的重要因素之一。

2) 城市改造建设。近年南京市地铁建设以及地下工程施工频率正在逐渐增加，施工过程可能会导致地层损失，从而影响周围土壤的稳定性，使其失去原有的平衡状态，导致土壤和地表发生各种程度的位移和形变。A₁和A₂点附近均有在建地铁线路，路面开挖和隧道施工对沿线道路和建筑物沉降影响较大，因此这2个区域沉降最明显，累积沉降量也最大。另外，A₁和A₂点都位于南京江北商务区，近年来建筑改造施工和地下开发都很严重，该区又为漫滩软土区域，这也是造成该区域沉降明显的重要原因之一。

3) 季节性降雨。利用奇异谱分析将研究区(A₁点)雷达视线向(LOS)形变时间序列分解为趋势项和周期项，其中周期项可反映气温、降雨等外部因素导致的形变季节性变化。图7为研究区A₁点形变周期项与降雨的关系，可以看出，周期项与降雨具有较强的相关性，当降雨量达到峰值时，周期项曲线逐渐下降，表明形变速度加快。由此可见，季节性降雨会引起地下水位变化，对地表形变具有一定影响。

5 结语

收起

本文采用DS-InSAR技术处理2021-10—2023-10期间50景Sentinel-1A影像，获取南京江北区域地表沉降信息，得到以下结论：

1) 在监测期间，南京江北区存在1处聚集且明显的地面沉降区，最大沉降速率为-86 mm/a，最大累积沉降量为-177 mm。相较于传统PS-InSAR技术，DS-InSAR技术可显著增加地面监测点的空间分布密度，有利于获取研究区更详细的沉降信息，且结果可靠性较高。

2) DS-InSAR技术可监测到研究区较为准确的时间序列形变趋势，4个监测点的时序沉降过程相似，整体呈递减趋势，且沉降曲线表现为先缓后陡的特点，对地表形变规律的研究可为后续地面沉降影响因素的分析提供一定参考。

3) 通过分析南京江北区域地面沉降的影响因素发现，地质构造、城市改造建设以及季节性降雨是引起地面沉降的重要原因。本文研究可为长江沿岸环境相关保护决策提供数据支持，同时为长江沿岸区域整体安全和稳定性保障提供理论依据。

基金

收起

国家重点研发计划(2022YFE0102600)
国家重点研发计划(2017YFE0107100)
国家自然科学基金(42274054)
国家自然科学基金(51774270)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

Seidel M, Marzahn P, Ludwig R. Dyke Monitorin by the Means of Persistent Scattering Interferometry at the Coast of Northern Germany[C]. XXIII ISPRS Congress, Prague, 2016

Wang

Q Q

, Huang

Q H

, He

, et al. Displacement Monitoring of Upper Atbara Dam Based on Time Series InSAR[J]. Survey Review, 2020, 52 (375): 485- 496

https://doi.org/10.1080/00396265.2019.1643529

Nguyen

D D C

, Bennett

, Meara

. New Orleans Levee Displacement Study via Interferometric Point Target Analysis Technique and in Situ Instrumentation[J]. Journal of Geotechnical and Geoenvironmental Engineering, 2019, 145 (8) http://www.xueshufan.com/publication/2946747714

朱建军, 李志伟, 胡俊. InSAR变形监测方法与研究进展[J]. 测绘学报, 2017, 46 (10): 1717- 1733

https://doi.org/10.11947/j.AGCS.2017.20170350

Zhu

Jianjun

, Li

Zhiwei

, Hu

Jun

. Research Progress and Methods of InSAR for Deformation Monitoring[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46 (10): 1717- 1733

https://doi.org/10.11947/j.AGCS.2017.20170350

Gernhardt

, Adam

, Eineder

, et al. Potential of very High Resolution SAR for Persistent Scatterer Interferometry in Urban Areas[J]. Annals of GIS, 2010, 16 (2): 103- 111

https://doi.org/10.1080/19475683.2010.492126

杨振, 徐佳. 利用Sentinel-1A数据监测南京河西地区地面沉降[J]. 测绘通报, 2020, (1): 61- 65

Yang

Zhen

, Xu

Jia

. Monitoring the Land Subsidence in Hexi Area of Nanjing by Using Sentinel-1A[J]. Bulletin of Surveying and Mapping, 2020, (1): 61- 65

陈媛媛, 朱晨玮, 郑加柱, 等. 基于PS-InSAR与SBAS-InSAR的地面沉降监测分析: 以长江南京段沿江区域为例[J]. 人民长江, 2023, 54 (8): 160- 165

Chen

Yuanyuan

, Zhu

Chenwei

, Zheng

Jiazhu

, et al. Comparison and Analysis on Land Subsidence Based on PS-InSAR and SBAS-InSAR: Case of Nanjing Riparian Area along Chanjiang River[J]. Yangtze River, 2023, 54 (8): 160- 165

Ferretti

, Fumagalli

, Novali

, et al. A New Algorithm for Processing Interferometric Data-Stacks: SqueeSAR[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49 (9): 3460- 3470

https://doi.org/10.1109/TGRS.2011.2124465

蒋弥, 丁晓利, 何秀凤, 等. 基于快速分布式目标探测的时序雷达干涉测量方法: 以Lost Hills油藏区为例[J]. 地球物理学报, 2016, 59 (10): 3592- 3603

https://doi.org/10.6038/cjg20161007

Jiang

, Ding

Xiaoli

, He

Xiufeng

, et al. FaSHPS-InSAR Technique for Distributed Scatterers: A Case Study over the Lost Hills Oil Field, California[J]. Chinese Journal of Geophysics, 2016, 59 (10): 3592- 3603

https://doi.org/10.6038/cjg20161007

Cao

, Lee

, Jung

H C

. A Phase-Decomposition-Based PSInSAR Processing Method[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54 (2): 1074- 1090

https://doi.org/10.1109/TGRS.2015.2473818

蒋弥, 丁晓利, 李志伟. 时序InSAR同质样本选取算法研究[J]. 地球物理学报, 2018, 61 (12): 4767- 4776

https://doi.org/10.6038/cjg2018L0490

Jiang

, Ding

Xiaoli

, Li

Zhiwei

. Homogeneous Pixel Selection Algorithm for Multitemporal InSAR[J]. Chinese Journal of Geophysics, 2018, 61 (12): 4767- 4776

https://doi.org/10.6038/cjg2018L0490

Jiang

, Yong

, Tian

, et al. The Potential of More Accurate InSAR Covariance Matrix Estimation for Land Cover Mapping[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 126, 120- 128

https://doi.org/10.1016/j.isprsjprs.2017.02.009

2025年第45卷第2期

引用本文

BibTeX

文章信息

doi: 10.14075/j.jgg.2024.03.103

接收时间：2024-03-13
首发时间：2026-10-30
出版时间：2025-02-15

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2024-03-13

基金

Ntional Key Research and Development Program of China(2022YFE0102600)

国家重点研发计划(2022YFE0102600)

Ntional Key Research and Development Program of China(2017YFE0107100)

国家重点研发计划(2017YFE0107100)

National Natural Science Foundation of China(42274054)

国家自然科学基金(42274054)

National Natural Science Foundation of China(51774270)

国家自然科学基金(51774270)

作者信息

1 中国矿业大学自然资源部国土环境与灾害监测重点实验室, 江苏省徐州市大学路1号, 221116

2 南京市测绘勘察研究院股份有限公司, 南京市创意路88号, 210019

通讯作者:

范洪冬, 博士, 教授, 博士生导师, 主要研究方向为InSAR变形监测, E-mail: cumtfanhd@163.com

FAN Hongdong, PhD, professor, PhD supervisor, majors in InSAR deformation monitoring, E-mail: cumtfanhd@163.com

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/ddcl/CN/10.14075/j.jgg.2024.03.103

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT